在Keras中如何处理多类别分类问题

在Keras中处理多类别分类问题通常使用多类别交叉熵损失函数和softmax激活函数。以下是一个简单的示例代码：

from keras.models import Sequential from keras.layers import Dense  # 创建模型 model = Sequential() model.add(Dense(units=64, activation='relu', input_dim=100)) model.add(Dense(units=10, activation='softmax'))  # 编译模型 model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])  # 训练模型 model.fit(X_train, y_train, epochs=10, batch_size=32)  # 评估模型 loss, accuracy = model.evaluate(X_test, y_test) print('Test loss:', loss) print('Test accuracy:', accuracy) 

在这个例子中，模型有一个输入层和一个输出层，输出层有10个单元，对应于10个类别。损失函数使用多类别交叉熵，优化器使用adam，评估指标是准确率。在训练模型时，X_train是输入数据，y_train是标签数据，epochs是训练次数，batch_size是每次训练的样本数。最后，评估模型的性能并打印测试损失和准确率。